图形渲染与 Shader / 系统课时
什么时候不该继续加采样
什么时候不该继续加采样
软阴影出现颗粒、锯齿或抖动时,最直接的反应往往是继续增加采样数。但采样越多并不等于画面会按比例变好。本节建立一套基于边缘质量、时间稳定性和 GPU 时间的停止条件,判断何时应该结束加采样,转而处理分辨率、滤波或阴影算法本身。
学习目标
- 区分采样数增加真正能改善的问题与无法改善的问题
- 用边缘质量、时间稳定性和 GPU 成本判断采样的边际收益
- 在收益不足时选择比继续加采样更有效的处理方向
采样增加真正解决什么
软阴影通常需要在面积光源、阴影贴图邻域或随机采样分布中取得多个样本,再把结果组合成最终遮挡率。采样不足时,最典型的问题是阴影边缘出现明显噪点或离散台阶。此时增加样本通常能够降低方差,让半影区域更加连续。
但采样数只直接影响“估计得够不够稳定”。如果问题来自阴影贴图分辨率过低、投影范围过大、深度偏移错误、采样核设计不合理,或者随机模式在每帧变化,那么继续增加样本只能缓解表象,不能消除根因。
用三项指标判断边际收益
一次有意义的采样调整应同时观察三个维度。边缘质量关注半影噪声、锯齿和块状感是否明显下降;移动稳定性关注相机或物体运动时是否仍然出现闪烁、爬动;GPU 时间关注阴影阶段增加了多少实际开销。

实际测试时应固定场景、相机路径和分辨率,只改变采样数。例如比较 8、16、32 个样本时,如果 8 到 16 的边缘改善很明显,而 16 到 32 几乎看不出差异,却又增加了可测量的 GPU 时间,那么 16 往往已经接近这个场景的合理停止点。
把测量结果变成停止条件
下面的 Python 示例把三项观测量转换为一个简单决策。阈值只是演示决策方法,并不是任何引擎都适用的固定标准。项目中应使用目标设备和真实场景采集的数据替换它们。
def should_add_samples(edge_gain, stability_gain, gpu_cost_ms):
# 画质与稳定性至少有一项仍需产生可感知收益
useful_gain = edge_gain >= 0.08 or stability_gain >= 0.08
# 每次增加采样允许消耗的 GPU 时间应由项目帧预算决定
affordable = gpu_cost_ms <= 0.30
return useful_gain and affordable
cases = [
('8 -> 16', 0.22, 0.18, 0.21),
('16 -> 32', 0.04, 0.03, 0.37),
]
for name, edge, stability, cost in cases:
decision = '继续测试更高采样' if should_add_samples(edge, stability, cost) else '停止增加采样'
print(f'{name}: {decision}')预期输出:
8 -> 16: 继续测试更高采样
16 -> 32: 停止增加采样这里的关键不是某个具体阈值,而是要求每次增加采样都回答两个问题:画面是否获得了可观察的收益,以及这份收益是否值得占用当前帧的 GPU 预算。只记录采样数量而不记录耗时和画面变化,很容易把“参数更大”误当成“质量更高”。
看起来像采样不足的问题
如果阴影边缘呈现大块方格或随着距离迅速失去细节,优先检查阴影贴图有效分辨率、级联覆盖范围或投影范围。增加滤波样本无法恢复源阴影数据中根本不存在的空间细节。
如果静止画面尚可,但相机移动时噪点明显跳动,应检查随机采样图案是否每帧完全变化,以及是否存在稳定旋转、蓝噪声分布或时间累积机制。单纯把每帧样本从 16 提高到 32,可能仍然保留相同的时间不连续性。
如果半影宽度本身就不符合场景,例如所有物体都出现同样宽的模糊边缘,则问题通常是光源尺寸、遮挡距离关系或滤波半径,而不是样本数量。此时继续采样只是在更精确地计算一个错误的半影。
什么时候应该换方法
当采样翻倍后,边缘改善已经难以在目标分辨率和正常运动速度下辨认,而阴影阶段的 GPU 时间仍明显上涨,就应该停止增加采样。剩余问题应按症状处理:空间细节不足处理阴影分辨率和覆盖范围,运动闪烁处理采样稳定性或时间滤波,大范围柔化成本过高则考虑分级质量或更适合的阴影方案。
软阴影优化的目标不是寻找最大的采样数,而是在目标设备的帧预算内找到最后一次仍然产生有效视觉收益的采样提升。超过这个位置以后,把 GPU 时间投入分辨率、稳定性或其他画面模块,通常比继续堆样本更有价值。